CVKAN：复值Kolmogorov-Arnold网络
CVKAN: Complex-Valued Kolmogorov-Arnold Networks
AI总结：
CVKAN通过复数域转换KAN和CVNN的优势，在参数更少、网络更浅的情况下实现更稳定的性能和更高的可解释性。
摘要：
在本工作中，我们提出CVKAN，一种复值Kolmogorov-Arnold网络（KAN），旨在结合KAN的内在可解释性和复值神经网络（CVNN）的优势。我们展示了如何将KAN及其相关机制转换到复数域。为了验证CVKAN是否符合预期，我们在符号复值函数拟合和具有物理意义的公式以及来自结理论的更现实数据集上进行了实验。我们提出的CVKAN更加稳定，在参数更少、网络架构更浅的情况下，性能与实值KAN相当或更好，使其更具可解释性。
英文摘要：
In this work we propose CVKAN, a complex-valued Kolmogorov-Arnold Network (KAN), to join the intrinsic interpretability of KANs and the advantages of Complex-Valued Neural Networks (CVNNs). We show how to transfer a KAN and the necessary associated mechanisms into the complex domain. To confirm that CVKAN meets expectations we conduct experiments on symbolic complex-valued function fitting and physically meaningful formulae as well as on a more realistic dataset from knot theory. Our proposed CVKAN is more stable and performs on par or better than real-valued KANs while requiring less parameters and a shallower network architecture, making it more explainable.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
